道路交通標(biāo)志的檢測(cè)和識(shí)別是智能交通系統(tǒng)研究中的一項(xiàng)重要內(nèi)容,實(shí)現(xiàn)交通標(biāo)志的高效準(zhǔn)確識(shí)別,可以為正常輔助駕駛系統(tǒng)提供保證,同時(shí)也為未來(lái)全面實(shí)現(xiàn)無(wú)人駕駛汽車(chē)系統(tǒng)提供了必要條件,具有較大的理論價(jià)值和應(yīng)用前景。本文研究的課題是基于深度學(xué)習(xí)的方法對(duì)道路交通標(biāo)志進(jìn)行檢測(cè)和識(shí)別,其最終的目標(biāo)是可以在復(fù)雜交通場(chǎng)景中對(duì)交通標(biāo)識(shí)進(jìn)行檢測(cè)和識(shí)別。行車(chē)視頻很好的記錄了行車(chē)過(guò)程中的真實(shí)交通場(chǎng)景,為此,本文以行車(chē)視頻為研究材料,檢測(cè)和識(shí)別行車(chē)視頻序列圖像中的交通標(biāo)志。研究?jī)?nèi)容如下:（1）提出了一種在行車(chē)視頻序列圖像中檢測(cè)和識(shí)別交通標(biāo)志的算法,算法在對(duì)YOLOV3神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行分析的基礎(chǔ)上進(jìn)行了部分結(jié)構(gòu)的改進(jìn),使網(wǎng)絡(luò)更適合行車(chē)視頻序列圖像中交通標(biāo)志的檢測(cè)和識(shí)別。算法將改進(jìn)的YOLO-V3網(wǎng)絡(luò)在交通場(chǎng)景圖像數(shù)據(jù)集上進(jìn)行訓(xùn)練,然后將訓(xùn)練好的網(wǎng)絡(luò)作為檢測(cè)網(wǎng)絡(luò),對(duì)行車(chē)視頻圖像逐幀檢測(cè),實(shí)現(xiàn)了行車(chē)視頻中交通標(biāo)志的自動(dòng)檢測(cè)和識(shí)別。（2）提出了一種基于多幀視頻圖像交通標(biāo)志特征融合的交通標(biāo)志檢測(cè)與識(shí)別算法。該算法采用YOLO-V3網(wǎng)絡(luò)檢測(cè)首幀交通標(biāo)志,采用局部特征匹配法搜索其他后續(xù)幀的交通標(biāo)志采用VGG19網(wǎng)絡(luò)的特征提取層提取特... 

【文章來(lái)源】：南京郵電大學(xué)江蘇省

【文章頁(yè)數(shù)】：89 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

我國(guó)使用的部分主交通標(biāo)志模板樣例

南京郵電大學(xué)專(zhuān)業(yè)學(xué)位碩士研究生學(xué)位論文第二章交通標(biāo)志檢測(cè)與識(shí)別基礎(chǔ)理論13并行處理能力和自學(xué)習(xí)能力。卷積神經(jīng)網(wǎng)絡(luò)的研究最早開(kāi)始于二十世紀(jì)80至90年代，時(shí)間延遲網(wǎng)絡(luò)和LeNet-5被認(rèn)為是最早出現(xiàn)的卷積神經(jīng)網(wǎng)絡(luò)。在二十一世紀(jì)后，隨著深度學(xué)習(xí)理論的提出和數(shù)值計(jì)算設(shè)備的改進(jìn)，卷積神經(jīng)網(wǎng)絡(luò)得到了快速發(fā)展，并被廣泛應(yīng)用于計(jì)算機(jī)視覺(jué)、自然語(yǔ)言處理等領(lǐng)域。2.3.1卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)卷積神經(jīng)網(wǎng)絡(luò)是一種特殊的多層前饋神經(jīng)網(wǎng)絡(luò)。標(biāo)準(zhǔn)的卷積神經(jīng)網(wǎng)絡(luò)一般由輸入層，交替的卷積層和池化層，全連接層和輸出層構(gòu)成，如圖2.3所示。其中，卷積層是由多個(gè)大小經(jīng)過(guò)設(shè)計(jì)的卷積核構(gòu)成，卷積核通過(guò)對(duì)輸入圖像的卷積操作，以此來(lái)提取輸入圖像的特征。池化層又被稱(chēng)為下采樣層，通過(guò)池化操作，可以有效減少每層網(wǎng)絡(luò)的數(shù)據(jù)，在一定程度上避免網(wǎng)絡(luò)過(guò)擬合現(xiàn)象的發(fā)生。全連接層通常在卷積神經(jīng)網(wǎng)絡(luò)的尾部，全連接層和它前一層網(wǎng)絡(luò)兩層網(wǎng)絡(luò)之間所有神經(jīng)元都有權(quán)重連接，也就是跟傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)神經(jīng)元的連接方式是一樣的。全連接層將經(jīng)過(guò)多個(gè)卷積層和池化層的圖像特征進(jìn)行整合，獲取圖像特征中具有的高層含義，之后用于圖像分類(lèi)。在卷積神經(jīng)網(wǎng)絡(luò)中，全連接層將卷積層產(chǎn)生的特征圖映射成一個(gè)固定長(zhǎng)度(一般為輸入圖像數(shù)據(jù)集中的圖像類(lèi)別數(shù))的特征向量，這個(gè)特征向量包含了輸入圖像所有特征的組合信息，將圖像中含有最具有特點(diǎn)的圖像特征保留了下來(lái)，以此完成圖像分類(lèi)任務(wù)。卷積神經(jīng)網(wǎng)絡(luò)作為計(jì)算機(jī)視覺(jué)領(lǐng)域最成功的一種深度學(xué)習(xí)模型，在深度學(xué)習(xí)興起之后已經(jīng)通過(guò)不斷演化產(chǎn)生了大量變種模型和許多優(yōu)化網(wǎng)絡(luò)的方法。圖2.3卷積網(wǎng)絡(luò)神經(jīng)結(jié)構(gòu)2.3.2卷積神經(jīng)網(wǎng)絡(luò)的卷積運(yùn)算和池化操作圖像卷積操作是是卷積神經(jīng)網(wǎng)絡(luò)提取圖像特征的重要步驟，那么卷積神經(jīng)網(wǎng)絡(luò)是如何對(duì)圖像進(jìn)行卷?

南京郵電大學(xué)專(zhuān)業(yè)學(xué)位碩士研究生學(xué)位論文第二章交通標(biāo)志檢測(cè)與識(shí)別基礎(chǔ)理論14核上的數(shù)值相乘，然后將所有相乘后的值相加作為卷積核中間像素對(duì)應(yīng)的圖像上像素的灰度值，并最終滑動(dòng)完所有圖像的過(guò)程。所以，當(dāng)一個(gè)卷積核在一張圖像上滑動(dòng)結(jié)束后，我們得到了一幅新的圖像，我們將得到的圖像稱(chēng)為featuremap。一個(gè)卷積核的卷積過(guò)程，可以認(rèn)為對(duì)圖像進(jìn)行了一種特征的提齲而在一個(gè)訓(xùn)練過(guò)程中，不僅僅需要提取一種特征。為了能夠在訓(xùn)練過(guò)程中得到更多特征，需要采用多個(gè)卷積核來(lái)提取圖像多個(gè)不同的特征。下圖以一個(gè)5×5的圖像，我們?cè)O(shè)計(jì)兩個(gè)卷積核，經(jīng)過(guò)卷積運(yùn)算后特征圖如圖2.4所示。圖2.4經(jīng)過(guò)卷積運(yùn)算后的特征圖通過(guò)卷積運(yùn)算獲得了特征圖(featuremap)之后,下一步要做的工作就是利用這些特征進(jìn)行分類(lèi)。為了簡(jiǎn)化計(jì)算量，我們通常使用池化函數(shù)處理這一過(guò)程。池化函數(shù)會(huì)對(duì)平面內(nèi)某一位置及其相鄰位置的特征值進(jìn)行統(tǒng)計(jì)匯總，并且把匯總后的結(jié)果作為這一區(qū)域內(nèi)的值。常用的方法有兩種，一種是最大池化(MaxPooling)，另一種是平均池化(AveragePooling),最大池化是把這一區(qū)域內(nèi)的最大值作為最后的輸出結(jié)果，平均池化則是選擇該范圍內(nèi)的平均值作為輸出結(jié)果。112310312312212233327/45/427/4池化核為2*2步長(zhǎng)為2無(wú)填充最大池化最大池化圖2.5池化操作示意圖如圖2.5所示，上圖使得4x4的特征圖分為了四個(gè)部分，我們對(duì)每個(gè)不同顏色部分里進(jìn)行池化得到了右邊的值。類(lèi)似于卷積函數(shù)中的卷積核，我們可以把每次執(zhí)行池化操作的過(guò)程

【參考文獻(xiàn)】：
期刊論文
[1]基于改進(jìn)LeNet-5網(wǎng)絡(luò)的交通標(biāo)志識(shí)別方法[J]. 汪貴平,盛廣峰,黃鶴,王會(huì)峰,王萍.  科學(xué)技術(shù)與工程. 2018(34)
[2]基于HSV空間和形狀特征的交通標(biāo)志檢測(cè)識(shí)別研究[J]. 陳亦欣,葉鋒,肖鋒,李慶楠.  江漢大學(xué)學(xué)報(bào)(自然科學(xué)版). 2016(02)
[3]利用HOG-LBP自適應(yīng)融合特征實(shí)現(xiàn)禁令交通標(biāo)志檢測(cè)[J]. 陳龍,潘志敏,毛慶洲,李清泉.  武漢大學(xué)學(xué)報(bào)(信息科學(xué)版). 2013(02)
[4]快速交通標(biāo)志檢測(cè)預(yù)處理方法[J]. 劉鑫,楊立敬,朱雙東.  計(jì)算機(jī)工程與應(yīng)用. 2010(29)
[5]基于多線(xiàn)索混合的交通標(biāo)志檢測(cè)與跟蹤[J]. 王楠,劉威,陳雪,袁淮,劉積仁.  控制與決策. 2010(08)
[6]形態(tài)骨架匹配算法及其在交通標(biāo)志識(shí)別中的應(yīng)用[J]. 蔣剛毅,鄭義.  電路與系統(tǒng)學(xué)報(bào). 1996(03)

碩士論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的圖像檢測(cè)技術(shù)研究[D]. 李家興.廣東工業(yè)大學(xué) 2018
[2]基于深度學(xué)習(xí)的交通對(duì)象檢測(cè)與識(shí)別[D]. 王賀璋.北京郵電大學(xué) 2018
[3]交通標(biāo)志檢測(cè)與識(shí)別算法研究[D]. 黃翠.山東大學(xué) 2014
[4]車(chē)載輔助系統(tǒng)中交通標(biāo)志檢測(cè)與識(shí)別技術(shù)研究[D]. 常盧峰.中南大學(xué) 2010



本文編號(hào)：3524484